Archiv článků: neuronové sítě

Na parkování neuronovou sítí

Chytré parkování jako nedílná součást chytrých měst. Právě na něj se zaměřil student Fakulty informačních technologií VUT Václav Stránský ve svém příspěvku pro IT konferenci Excel@FIT. Nový systém parkování by měl v budoucnu řidičům umožnit najít co nejdříve volné parkovací místo bez nutnosti objíždět celé parkoviště, čímž ušetří nejen čas, …

více »

TPU: Koprocesory Googlu pro neuronové sítě

Google Tensor Processing Unit je specializovaný tištěný obvod, který funguje jako zásuvná karta do serveru. Připojuje se přes běžnou sběrnici SATA a hraje roli koprocesoru, který je speciálně určen pro urychlování výpočtů v oblasti neuronových sítí/strojového učení. Google nyní zveřejnil benchmarky, které porovnávají výkon jeho TPU s klasickými i grafickými …

více »

IPU: Procesory pro umělou inteligenci

Britská firma Graphcore přichází s myšlenkou, že v reakci na trend umělé inteligence a strojového učení vznikne zcela nový typ procesoru. Graphcore navrhuje koncept Intelligent Processing Unit (IPU). Strojové učení, respektive hluboké učení neuronových sítí podle firmy obnáší specifické typy výpočtů, jimž je vhodné vyhradit i na míru navrženou architekturu. …

více »

Umělá inteligence vytváří z obrazu realistické foto

Programy spadající do kategorie strojového učení/umělé inteligence se běžně snaží napodobovat styl konkrétních malířů. CycleGAN z University of California v Berkeley umí styl naopak odrušit. Možnosti softwaru CycleGAN byly demonstrovány na příkladu Monetových obrazů. Za předpokladu, že byly malovány podle konkrétní předlohy, dokázal program oddělit „uměleckou vrstvu“ (impresionismus jako styl) …

více »

Neuronová síť Googlu rekonstruuje tváře

Google má další aplikaci pro své neuronové sítě – rekonstrukci obrázků. Jinak řečeno přidávání realistických detailů tam, kde původní informace prostě schází. Příslušný model („pixel recursive super resolution model“) popisují specialisté z divize Google Brain v článku publikovaném na webu arXiv (preprint, tj. texty, které ještě neprošly oponenturou pro publikování …

více »

Deep Learning v prostředí MATLAB

Deep learning je jedno z nejprogresivnějších odvětví strojového učení se schopností řešit úlohy, které byly ještě před deseti lety nemyslitelné. Uplatnění deep learningu zasahuje mnoho oborů lidské činnosti od systémů počítačového vidění přes vyhledávací, diagnostické a asistenční systémy až po autonomní vozidla a bezpečnost. MATLAB, jakožto vývojové prostředí pro vědeckotechnické výpočty, …

více »

Překladač Googlu zvládne libovolný pár jazyků

Foto: © Dollar Photo Club

Poprvé v historii strojových překladů je možné překládat i mezi jazyky, jejichž páry nejsou přímo vloženy do systému a ten na ně nebyl trénován. Google na podzim loňského roku oznámil rozšíření svého překladače o technologie strojového učení a neuronových sítí. Viz také: Překladač Googlu začne využívat neuronové sítě Překladač Googlu …

více »

Překladač Googlu začne využívat neuronové sítě

Google Translator dosud používal především statistiku – při této metodě se věty trhají na kratší fráze, u nich se najde, jak již byly přeloženy, a jednotlivé úseky se překládají víceméně zvlášť (tzv. Phrase-Based Machine Translation). I když samozřejmě počítačové překlady vzbuzují dosud tu a tam úsměv, funguje to překvapivě dobře. …

více »

Software pro přepis řeči Newton Dictate 5 pohání neuronová síť

Společnost Newton Technologies, lídr v hlasovém rozpoznávání slovanských jazyků, uvádí na trh pátou verzi programu NEWTON Dictate. Nová verze využívá neuronové sítě a nabízí výrazně přesnější a rychlejší přepis řeči. Nově je možné naučit program vlastní slova z dokumentů uživatele a přistupovat k textovým a hlasovým záznamům přes webové uložiště …

více »

Používáme soubory cookies pro přizpůsobení obsahu webu a sledování návštěvnosti. Data o používání webu sdílíme s našimi partnery pro cílení reklamy a analýzu návštěvnosti. Více informací

The cookie settings on this website are set to "allow cookies" to give you the best browsing experience possible. If you continue to use this website without changing your cookie settings or you click "Accept" below then you are consenting to this.

Close